[發明專利]一種基于支持向量機的表面肌電信號多類別模式識別方法

無效

• 申請號: 201010136019.0
• 申請日: 2010-03-30
• 公開（公告）號: CN101833671A
• 公開（公告）日: 2010-09-15
• 發明（設計）人: 劉涵;黃赟偉
• 申請（專利權）人: 西安理工大學
• 主分類號: G06K9/66
• 分類號: G06K9/66
• 代理公司: 西安弘理專利事務所 61214
• 代理人: 羅笛

技術領域

本發明屬于模式識別技術領域，涉及一種基于支持向量機的表面肌電信號多類別模式識別方法。

背景技術

特征提取是模式識別的核心問題，它直接影響到分類器的設計和性能。對于非平穩的表面肌電信號來說，在任一時刻附近的頻域特性對于模式識別來說都很有價值，所以單單從時域或者是頻域上來分析是遠遠不夠的。這就需要尋找一種新的方法，能將時域和頻域結合起來描述觀測信號的時頻聯合特征，構成信號的時變譜。小波變換就是這樣一種方法，它建立在傅里葉變換的基礎之上，克服了傅里葉變換要么完全在時域，要么完全在頻域而無法表達信號的時頻局域性質的缺陷；彌補了短時傅里葉變換作為一種單一分辨率，只能使用一個固定的短時窗函數進行信號分析的不足；很好地解決了信號分析中的一對最基本的矛盾：即時域和頻域的局部化矛盾，實現了在不同頻率處包含非靜態能量分布的時頻分析。

現有方法對于表面肌電信號多類別模式識別時，由于不能提取到更加有效的肌電信號特征，影響了肌電信號模式分類的準確性，影響了在肌電假肢實用中的推廣使用。

對于多類別模式識別來說，尋找一個好的模式分類器是關鍵。支持向量機(Support?Vector?Machines，SVM)算法由Vapnik等人提出到現在經過了十多年的發展，已經由最初的二分類算法成為廣泛使用的統計學習算法，在模式分類和回歸建模方面都得到了長足的發展。SVM以其堅實的理論基礎、全局優化、泛化性能好等優點，已經成為目前國內外研究的熱點，在解決小樣本、非線性及高維模式識別問題中表現出許多特有的優勢。

發明內容

本發明的目的是提供一種基于支持向量機的表面肌電信號多類別模式識別方法，能夠提取到更加有效的肌電信號特征，同時也提高了模式識別的準確性。

本發明的技術方案是，一種基于支持向量機的表面肌電信號多類別模式識別方法，其特征在于，按照以下步驟實施：

步驟1、對采集到的表面肌電信號，基于小波分析進行特征提取

1.1)從MIT-BIH數據庫中下載所需的表面肌電信號數據，并采集需要進行分類的樣本信號，將一部分用作訓練樣本，另一部分作為測試樣本；

1.2)選用sym4小波基函數對樣本信號作五尺度小波分解；

1.3)提取樣本信號的小波系數，從小波分解系數構成的矩陣中提取矩陣的奇異值作為信號特征，構建特征矢量；

步驟2、基于SVM的模式識別

2.1)用MOC方法設計基于支持向量機的多類別分類器；

2.2)將訓練樣本的特征矢量輸入到分類器進行分類訓練；

2.3)將測試樣本的特征矢量輸入到分類器進行分類測試；

2.4)用交叉驗證方法對支持向量機分類器進行參數優化，重復步驟2.2和步驟2.3；

2.5)分析模式識別的結果。

本發明的模式識別方法，較好的完成了表面肌電信號的特征提取和模式識別，在提取到更加有效的特征構建特征矢量的同時，提高了模式識別的準確性，在肌電假肢實用化進程中具有重要意義。

附圖說明

圖1是本發明方法實施例中要處理的表面肌電信號時域圖；

圖2是本發明方法實施例中采用的sym4小波函數的尺度函數和時域圖，其中，a為尺度函數圖，b為時域圖；

圖3是本發明方法實施例中的三尺度小波分解示意圖；

圖4是現有的支持向量機結構框圖；

圖5是本發明方法實施例中對表面肌電信號進行五尺度小波分解提取到的小波系數示意圖；

圖6是本發明方法實施例中對表面肌電信號進行分類的結果示意圖(無參數優化時)；

圖7是本發明方法實施例中對表面肌電信號進行分類的結果示意圖(參數優化后)；

圖8是本發明方法實施例中在無參數優化和參數優化后得到的分類結果比較示意圖；

圖9是本發明方法實施例中的結果與傳統的神經網絡分類方法比較示意圖。

具體實施方式

下面結合附圖和具體實施方式對本發明進行詳細說明。

本發明的基于支持向量機的表面肌電信號多類別模式識別方法，按照以下步驟實施：

步驟1、對采集到的表面肌電信號，基于小波分析進行特征提取

圖1所示為采集到的表面肌電信號f(t)∈L²(R)，L²(R)表示平方可積的實數空間，即能量有限的空間信號，其連續小波變換為：